Não consigo acreditar que realmente o enviaram 😂 Um 🦞 do tamanho de uma tampa de garrafa de $20 no seu bolso 🔥

Isto é realmente incrível (e selvagem): Cientistas simularam uma célula viva completa pela primeira vez. Cada molécula, cada reação, desde a replicação do DNA até a divisão celular. O artigo (Luthey-Schulten et al., Cell 2026, ), publicado hoje, utilizou o JCVI-Syn3A — uma bactéria sintética mínima com menos de 500 genes. Uma simulação 3D+tempo do ciclo celular completo de 105 minutos: replicação do DNA, tradução de proteínas, metabolismo, divisão. Cada gene, proteína, RNA e reação química rastreados através do espaço físico. Levou anos para ser construído. Múltiplas GPUs. Seis dias de tempo de computação por execução. E esta é a célula mais simples possível. Uma célula humana tem ~20.000 genes. Ela vive em tecido. Interage com vizinhos. Diferencia-se. Responde a medicamentos de maneiras que dependem de contextos que ainda não medimos completamente. A simulação mecanicista da célula mínima custa 6 dias de GPU para 105 minutos de biologia. Não se pode escalar isso para células humanas. A complexidade não é 40x mais difícil. É exponencialmente mais difícil. É por isso que o campo se virou para modelos baseados em dados. Não se pode codificar manualmente a fiação regulatória de um hepatócito humano. Mas você pode aprendê-la — se tiver os dados de perturbação certos coletados em contextos biológicos suficientemente diversos. As duas abordagens não estão competindo. Artigos como este geram a verdade fundamental que os futuros modelos de ML precisam para validação. Mas o caminho para uma célula virtual clinicamente útil passa por modelos fundamentais, não por escalar a simulação mecanicista. Trabalho incrível!

Este é provavelmente o primeiro trabalho de RL sobre o OpenClaw 🔥 MetaClaw: Basta falar com o seu agente e deixá-lo evoluir automaticamente. Github: A maioria dos agentes de IA fica congelada no momento em que é lançada. Cada erro que cometem, eles o cometerão novamente amanhã. O MetaClaw resolve isso. É uma camada de RL online construída sobre o OpenClaw que permite que os agentes aprendam com suas próprias interações — sem cluster de GPU, sem conjunto de dados offline, sem equipe de engenharia necessária. O ciclo é simples: cada conversa é registrada como uma trajetória de treinamento. Quando o agente falha, ele analisa o que deu errado e propõe uma nova habilidade reutilizável. As atualizações do LoRA treinam de forma assíncrona em segundo plano. Na próxima vez que uma situação semelhante surgir, a habilidade relevante é recuperada automaticamente para o prompt. O agente não acumula apenas conversas. Ele acumula capacidade. O que torna isso diferente do ajuste fino: não há pipeline de rotulagem humana, não há execuções de treinamento em lote, não há ciclo de implantação. A melhoria acontece continuamente, invisivelmente, em produção. Interação → aprendizado → melhoria, em um ciclo. Sem conjunto de dados offline. Sem codificação necessária. Sem cluster de GPU. A parte que vale a pena prestar atenção: isso transforma cada interação do usuário em um sinal de treinamento. O agente que você implanta no primeiro dia não é o mesmo agente que você tem no trigésimo dia. Ele foi moldado por tudo o que errou e corrigiu. Ótimo trabalho de @HuaxiuYaoML !